关键词： 人工智能   通信   系统   网络   波束   定位  

摘要： 随着互联网的快速发展，通信系统面临的数据流量越来越庞大，系统环境也更加复杂，与此同时，用户对通信服务的需求也在不断增加，使得传统的通信系统逐步表现出效率低、网络资源分配不合理等问题。人工智能具有强大的数据处理功能，并且还拥有模式识别、智能决策等方面的能力，对通信行业重塑网络架构、完善运行模式具有不可替代的作用，将人工智能引入通信系统管理旨在提升系统运行、管理效率。因此，深入分析人工智能提升通信系统效率的作用具有重要的意义，有助于推动通信产业的创新升级，为广大人民提供更好的服务，同时对于促进社会经济发展也具有重要的价值。

关键词： 癫痫   人工智能   脑电描记术   神经成像   诊断   治疗   精准医学   综述  

摘要： 癫痫是全球范围内常见的严重神经系统疾病之一,临床上对于癫痫精准诊疗的要求逐渐提高。近年来,人工智能在医疗领域的应用越来越广泛。研究表明,人工智能在癫痫精准诊疗中发挥着重要的辅助作用,并且具有广阔的应用前景。本文主要从神经影像学、脑电图诊断、癫痫发作预测、抗癫痫药物选择、神经心理学评测等方面对人工智能在癫痫精准诊疗中的应用现状进行综述,对人工智能在癫痫领域的发展前景与挑战进行展望,并提出建设性意见。

关键词： 人工智能   高职院校   英语教师   数字素养  

摘要： 在人工智能技术飞速发展,职业教育面临数字化、智能化转型的背景下,广大英语教师数字素养成为影响高职教育高质量发展的重要因素。文章围绕人工智能背景下如何提高高职院校英语教师的数字素养这一命题,结合前期调研与访谈,分析了高职院校英语教师数字素养现状,阐述了人工智能给高职院校英语教师数字素养提升带来的机遇,并从完善智能教学条件、引入校企合作培训机制、依靠跨学科协作、善用AI工具赋能教师反思与改进四个方面提出了促进高职院校英语教师数字素养提升的策略。

关键词： 特征选择   模糊聚类   核密度   信息粒   先验知识   机器学习   数据挖掘   统计学  

摘要： 针对传统特征选择方法易受噪声影响以及所获得的特征空间易导致数据分布改变问题，文中提出了一种基于核密度峰值聚类和细粒度噪声抑制特征选择(Feature Selection based on Fine-Grained Noise Suppression and Kernel Density Peak Clustering， FNKC)方法。为了克服噪声对特征选择影响，利用可能性模糊C均值算法(Possibilistic Fuzzy C-Means Clustering Algorithm， PFCM)的可能性定理并结合信息粒准则来提取数据相关性，从而提高抗噪性能。在高维空间引入核密度来测量聚类密度从而精确捕捉簇内空间结构，从而更好地反映数据的分布。通过在6个公共高维数据集对比多个先进的特征选择方法验证了所提算法的优越性和有效性。

关键词： 机器学习   页岩力学性质   页岩油气   力学参数预测   模型可解释性  

摘要： 页岩油气开采过程面临诸多复杂地质力学问题，页岩的力学性质作为决定开采效率与安全性的核心要素，亟待深入的研究与探索。在此背景下，机器学习凭借强大的数据处理与模式识别能力，为页岩力学性质研究开辟了新路径。本文聚焦于机器学习在页岩力学性质研究中的应用，系统阐述该领域的现状、挑战与展望。首先，详细梳理当前机器学习算法在页岩力学参数预测、破坏模式识别方面的应用成果，展示其相较于传统研究方法在处理复杂数据、挖掘潜在规律上的显著优势。随后梳理了机器学习在页岩力学性质研究应用中面临的诸多挑战。页岩样本数据具有高维、小样本特性，容易导致模型出现过拟合现象。同时，多数机器学习模型其内部运行机制难以解释，限制了其推广使用。此外，页岩地质条件复杂多变，不同地区页岩的矿物组成、孔隙结构差异巨大，现有模型在跨区域、跨地质条件应用时，普适性明显不足。最后，基于前沿技术发展趋势展望未来。机器学习在页岩力学性质研究领域前景广阔，通过融合地质、地球物理、测井等多源数据，能够为模型提供更丰富的信息，降低数据维度带来的负面影响；优化算法架构，结合迁移学习、集成学习等技术，可提高模型的泛化能力；构建基于物理约束的机器学习模型，既能增强模型的可解释性，又能提升其在复杂地质条件下的适应性。这些策略有望突破现有瓶颈，推动机器学习在页岩力学性质研究中的深度应用，为页岩油气资源的高效开发提供坚实的理论与技术支撑。

关键词： 数智时代   社会主义核心价值观   人工智能   数字技术  

摘要： 进入数智时代,数字技术为大学生社会主义核心价值观教育带来了新的机遇和挑战。数智时代大学生社会主义核心价值观教育存在网络信息环境复杂、现有教育模式僵化、教育生态短板明显以及师生数字能力不足的现实困境。基于此,应从技术赋能、模式转型、生态重构和能力培养四个维度着力,不断提升大学生社会主义核心价值观教育的针对性和实效性,为培养德智体美劳全面发展的社会主义建设者和接班人奠定坚实基础。

关键词： 银行金融科技   智能制造   容忍创新失败   金融市场一体化   云端  

摘要： 数字技术与传统金融模式的融合催生出新型金融服务模式，为破解民企智能制造的融资困境提供了新思路。本文基于2013—2023年民营企业年报文本与银行金融科技专利数据，深入剖析银行金融科技对民企智能制造的影响机制。研究发现，银行金融科技能有效提升民营企业智能制造发展水平，主要通过缓解银企信息不对称、容忍创新失败以及优化融资担保方式三大机制实现。异质性分析表明，在中小型民企、数字化转型程度较高的民企、风险承担意愿较高的民企以及知识产权保护力度较高、创新生态活跃度较高地区的民企中，这种促进作用更为显著。调节作用分析表明，金融市场一体化与企业上云能够强化银行金融科技对民营企业智能制造的推动效果。本研究不仅深入剖析了金融支持与企业创新、生产变革的内在关联，填补企业创新理论在数字化场景下的研究空白，为企业制定数字化战略提供科学依据；更从实践层面为政策制定者指明金融支持方向，助力优化生产资源配置，加速金融与智能制造产业的协同发展进程。

关键词： 人工智能   高校   思想政治教育   数字化转型  

摘要： 文章对人工智能赋能高校思想政治教育数字化转型的必要性进行了阐述,并分析了高校思想政治教育数字化转型的问题,在此基础上,从内容重构、方法创新、评价优化三个方面提出了人工智能赋能高校思想政治教育数字化转型的路径。

关键词： 机器学习   牙周炎   集成学习   多源数据融合   个体化医疗  

摘要： 牙周炎是一种常见的慢性炎症性疾病，其治疗效果受多种个体化因素影响。由于临床上存在部分患者对标准治疗反应不佳的问题，因此构建一种精准、健壮且具备泛化能力的临床反应预测模型，对实现牙周炎的个体化和精准化治疗具有重要的指导意义。本研究基于8项随机对照临床试验的真实数据，选择人口统计学、临床表现、微生物学特征和治疗相关信息共18项指标，构建了基于Stacking集成学习框架的治疗反应预测模型。该模型以RF、SVM、MLP和CatBoost为基学习器，通过五折交叉验证生成中间预测结果，并以LR作为元学习器完成最终预测。在南美洲测试数据集上，模型的ACC达到95.78%，F1分数和MCC分别为92.25%和90.4%，均显著优于对比模型。在北美和欧洲的独立测试集中，该模型依然表现出较高的预测性能和鲁棒性，验证了其良好的泛化能力和普适性。本研究提出的Stacking集成学习模型可有效整合多源异质数据，提升牙周治疗反应的预测精度，具有良好的临床应用前景。该模型可辅助临床医生制定个性化治疗方案，优化干预策略，推动牙周疾病诊疗向智能化与精准化方向发展。

关键词： 海底底质分类   多源数据   遗传算法   XGBoost   机器学习  

摘要： 海底底质类型的精确识别对了解底栖海洋群落的分布和规划海洋资源可持续开发至关重要，机器学习算法是识别底质类型的有效手段。针对岛礁单一声学数据底质分类局限性，融合多光谱遥感数据为解决该局限性提供了新思路。本研究提出了一种融合多光谱遥感数据和多波束数据、基于特征选择和遗传算法——极限梯度提升算法（Genetic Algorithm-Extreme Gradient Boosting, GA-XGBoost）的多源数据海底底质分类方法。首先对WorldView-2多光谱数据和多波束数据进行预处理，统一地理坐标系统并进行空间分辨率配准；然后提取多光谱影像的光谱特征、测深数据的地形特征及反向散射强度纹理特征，组成18维特征参数，基于XGBoost(Extreme Gradient Boosting)算法结合向前逐步特征选择从18维特征中选出12维最优特征子集；之后构建GA-XGBoost分类模型，分别使用为解决该局限性提供了新思路及多源数据训练和测试模型，与BP(Back Propagation neural network)、 GA-BP(Genetic Algorithm-Back Propagation neural network)和XGBoost分类算法的精度对比分析；最后，应用最优的GA-XGBoost模型对整个研究区底质进行分类并可视化。实验结果表明，该方法在海底底质分类中的总体精度达91.23%,Kappa系数为0.87,F1分数为91.18%，显著优于单一数据源输入及对比算法。表明GA-XGBoost为海底底质快速、准确分类的一种新的有效解决方案。